بخشی از مقاله
چکیده
امروزه با توسعه سیستم های سنجش از راه دور فراطیفی، طبقه بندی محدوده وسیعی از پدیده ها با کلاس های پوشش زمینی مشابه در سطح زمین میسر گردیده است. مزیت تصویر فراطیفی، تعداد باندهای به کار گرفته شده برای تدوین هر صحنه است. علیرغم این ویژگی منحصر به فرد، پردازش ابعاد بسیار بالای داده های فراطیفی بسیار پرهزینه و زمان بر است. یکی از راه حل ها برای غلبه بر این مشکل، کاهش دادن ابعاد فضای ورودی با استفاده از روش های انتخاب ویژگی است.
در سال های اخیر الگوریتم های مبتنی بر خرد جمعی به دلیل سادگی و کارایی بالای آنها برای انتخاب بهینه کلی در فضایی با ابعاد بالا مورد توجه قرار گرفته است. در این مقاله یک روش جدید انتخاب ویژگی بر اساس الگوریتم بهینه سازی شیران ارائه شده است. این الگوریتم الهام گرفته از زندگی دسته جمعی شیرها در طبیعت می باشد. روش پیشنهادی بر روی تصویر فراطیفی Pavia پیاده سازی گردید. ارزیابی دقت طبقه بندی و تعداد ویژگی های انتخاب شده توسط روش ارائه شده موفقیت قابل قبول این روش را نسبت به سایر الگوریتم های مطرح در این زمینه از قبیل الگوریتم ژنتیک نشان می دهد.
کلید واژه- الگوریتم شیران ، انتخاب ویژگی، تصویر فراطیفی ، طبقه بندی
-1 مقدمه
فن آوری سنجش از دور فراطیفی، در دو دهه گذشته پیشرفت چشمگیری داشته است. این پیشرفت در طراحی و ساخت سنجنده ها و هم چنین در توسعه و پیاده سازی روش های پردازش داده،بسیار مشهود است. سنجنده های فراطیفی نوع ویژه ای از طیف سنج ها می باشند که گستره مشخصی از طیف الکترومغناطیس را در صدها باند باریک، مجاور هم و پیوسته تصویربرداری می کنند.سنجنده های تصویربرداری فراطیفی نوین قادر به ثبت محدوده وسیعی از اطلاعات فراطیفی در طول موج های مختلف از سطح زمین می باشند. این سنجنده ها تصاویری با توان تفکیک طیفی بالایی ایجاد می کنند که به کمک آنها می توان به شناسایی دقیق پدیده و تفکیک کردن کلاس های پوشش زمینی مشابه پرداخت.[1] چند، توانایی تولید داده هایی با خصوصیت طیفی، مکانی ورادیومتریکی بالا، منجر به تجزیه و تحلیل بهتر و شناسایی موفقیت آمیز اهداف زمینی می شود، ولی مشکلاتی نیز پدید می آید که در مقایسه با داده های چندطیفی تجربه جدیدی است.
امروزه اکثر تحقیقات در زمینه سنجش از دور فراطیفی، برطبقه بندی این تصاویر تاکید دارند. طبقه بندی یا تبدیل تصاویر به نقشه موضوعی در اثر عواملی از جمله پیچیدگی منطقه مورد مطالعه، انتخاب داده، پردازش تصویر و الگوریتم مورد استفاده، درمعرض چالش جدی بوده و ممکن است بر موفقیت طبقه بندی تاثیر بگذارد .[2] برای طبقه بندی تصاویر فراطیفی سه مشکل اساسی داریم. اول اینکه به دلیل پیوسته بودن باندها در تصاویرفراطیفی، تعدادی از این باندها تحت اثرات نامطلوب جو زمین قرارمی گیرند و دارای نویز زیادی هستند. بنابراین باید خطای حاصل از جو زمین را به گونه ای تصحیح کنیم. روش های زیادی برای این کار وجود دارد که ساده ترین آن طیف برداری از منطقه ای یکنواخت برای کالیبره کردن سنجنده ها می باشد.
دو مسئله اساسی دیگر در طبقه بندی تصاویر فراطیفی حجم بسیار زیاد داده ها و کم بودن تعداد نقاط آموزشی می باشد .[3] یکی از راه حل ها جهت رفع این دو مشکل، کاهش ابعاد فضای طیفی با استفاده از تکنیک های مختلف انتخاب ویژگی می باشد. در این روش ها،به کمک معیارهای مناسب تعدادی باند انتخاب شده و بقیه ی باندها کنار گذاشته می شوند. کاهش ابعاد داده باید به گونه ای صورت گیرد، که در باندهای باقی مانده اطلاعات لازم برای جداسازی کلاس ها از بین نرود. انتخاب ویژگی یک مسئله ی بهینه سازی ترکیبی در یادگیری ماشین می باشد. برای این منظور الگوریتم های متفاوت انتخاب ویژگی مانند PCA، MNF و NAPCA برای تصاویر چند طیفی به کار گرفته شده است .[4] استفاده از این الگوریتم ها برای طبقه بندی تصاویر فراطیفی، صرف نظر از زمان زیاد پردازش، دقت مطلوبی را در جداسازی کلاس ها در بر ندارد. با توجه به مطالعات صورت گرفته، تاکنون، محققان با استفاده از الگوریتم ژنتیک در زمینه انتخاب ویژگی تصاویر فراطیفی به بهترین نتایج دست یافته اند .[6-5]
الگوریتم بهینه سازی شیران یا به طور مختصر[7] LOA در سال 2016 به ثبت رسیده است، که متعلق به حوزه الگوریتم های فرااکتشافی و هوش گروهی است. این الگوریتم فراابتکاری دارای ویژگی جستجوی محلی و تصادفی به طور همزمان می باشد. این ویژگی سبب جلوگیری از قرار گرفتن جواب های الگوریتم در بهینه ی محلی می گردد. در این مقاله نشان می دهیم که با کاهش ابعاد تصویر فراطیفی با استفاده از الگوریتم بهینه سازی شیران، و در نهایت انجام طبقه بندی با استفاده از باندهای منتخب، علاوه بر اینکه دقت طبقه بندی تا چند درصد بهبود می یابد، زمان پردازش نیز بسیار کمتر خواهد شد. ارزیابی عملکرد روش پیشنهادی این مقاله، با توجه به دقت طبقه بندی و تعداد ویژگی های انتخاب شده و در مقایسه با الگوریتم ژنتیک انجام گرفته است. سازماندهی این مقاله به این صورت است که، بخش دوم ابتدا به شرح مفاهیم اصلی پرداخته است، سپس در بخش سوم الگوریتم پیشنهادی مطرح و ویژگی های آن ذکر شده است و در بخش چهارم آزمایش های انجام گرفته و مقایسه نتایج به دست آمده با سایر روش ها بیان شده است.
-2 تعاریف و مفاهیم اولیه
-1-2 طبقه بندی تصاویر فراطیفی
طبقه بندی تصویر به این معنا است که خوشه ای از پیکسل ها با ویژگی های طیفی تقریبا مشابه، در یک کلاس طیفی درنظر گرفته شوند. هدف اصلی تحلیلگر یک تصویر در روش طبقه بندی، کوشش برای تطبیق کلاس طیفی با یک کلاس اطلاعاتی است.فرآیند طبقه بندی می تواند نظارت شده یا نشده باشد. طبقه بندی نظارت شده، نیاز به اطلاعات قبلی و شناخت پدیده های مرتبط با داده ها دارد. در این روش، تعدادی از پیکسل ها به عنوان معرف انتخاب و مشخصات آنها از طریق نرم افزار مورد استفاده به کامپیوتر داده می شود، سپس رایانه بقیه پیکسل ها را با توجه به دستورالعمل خاصی که وجود دارد، طبقه بندی می کند.
بنابراین در طبقه بندی نظارت شده تحلیلگر معمولا با کلاس های اطلاعاتی شناخته شده ای شروع به کار می کند که برای تعریف کلاس های طیفی نماینده ای که تطابق نزدیکی با نمونه های معرف دارند، به کار خواهند رفت. طبقه بندی نظارت نشده اصولا برعکس طبقه بندی نظارت شده است. در طبقه بندی نظارت نشده از مناطق آموزشی به عنوان مبنای طبقه بندی استفاده نمی شود .[8] در این مقاله منظور از طبقه بندی، دسته طبقه بندی نظارت شده می باشد و با استفاده ازپایگاه داده واقعیت زمینی تصویر مورد نظر به مشخصههای طیفی عضوهای تشکیل دهنده تصویر دسترسی داشته ایم.
-2-2 الگوریتم شیران
الگوریتم شیران یا به طور مختصر LOA یکی از روش های هوش گروهی اخیر توسعه یافته توسط مازیار یزدانی در سال 2016 است و از نوع الگوریتم های تصادفی، الهام گرفته از طبیعت و فرااکتشافی می باشد. این الگوریتم با الهام از رفتار انفرادی و تعاونی شیرها در گرفتن طعمه، جفت گیری، دفاع و مهاجرت سعی در ارائه روش حلی برای بهینه سازی مسائل پیچیده را دارد.درالگوریتم LOA جواب های اولیه به صورت تصادفی در فضای جواب تولید می شوند. هر کدام از این جواب ها یک شیر می باشد که با استفاده از یک بردار نمایش داده می شود. میزان برازندگی هر شیر - میزان نزدیک بودن به هدف - با استفاده از تابع ارزیاب محاسبه می شود. تعدادی از جواب های اولیه در الگوریتم LOA به عنوان شیرهای مهاجر در نظر گرفته می شود و بقیه شیرها درتعدادی گله به صورت تصادفی تقسیم می شوندکه این شیرها، شیر مقیم نامیده می شوند. یکی از خاصیت های الگوریتم LOA جنسیت منحصر به فرد هر یک از جواب ها می باشد. نرخ جنسیت در هر گله %25 می باشدکه این نرخ در شیرهای مهاجر به صورت عکس می باشد. در هر گله تعداد شیران ماده بیشتر است.
پس از مقداردهی جمعیت اولیه، الگوریتم LOA با تکرار چهار اپراتور شکار، جفت گیری، دفاع و مهاجرت به جواب مساله همگرا می شود. در هر گله، شیر رهبر - شیرماده با بالاترین میزان برازندگی - و تعدادی از شیران ماده دیگر که به صورت تصادفی انتخاب می شوند، شیر شکارچی نامیده می شوند. موقعیت جدید هر شکارچی با حرکت به سمت رهبر گروه به صورت زیر محاسبه می شود:
که در رابطه بالا Leader موقعیت شیر رهبر، Hunter موقعیت فعلی شیر شکارچی، +XQWHUʼ موقعیت جدید شکارچی و rand یک عدد تصادفی در بازه 0 و 1 می باشد.
در هر گله، Ma% از شیران ماده با یک یا چند شیر نر از گروه خود جفت گیری می کنند. در میان مهاجرین نیز، Ma% از شیران ماده مهاجر تنها با بهترین شیر نر مهاجر جفت گیری می کنند. اپراتور جفت گیری در الگوریتم LOA به صورت ترکیب خطی از شیرماده و شیران نر انتخاب شده برای جفت گیری با آن ماده تعریف می شود :
که در فرمول بالا M بعد مسئله است، 6 برابر 1 است در صورتی که L امین شیر نر گله برای جفت گیری با ماده مورد نظر انتخاب شود، در غیر این صورت صفر است،NR تعداد شیرهای نر موجود در یک گله می باشد و % نیز یک عدد تصادفی تولید شده به وسیله توزیع نرمال با میانگین %5 و انحراف استاندارد %1 است.از هر دو توله تولید شده توسط یک شیر ماده، به صورت تصادفی یکی از توله ها نر و دیگری ماده می باشد.
درهر یک از گله ها، شیرهای نری که به بلوغ رسیدند اگر توانایی لازم برای غلبه بر شیرهای قدیمی گروه را نداشته باشند، مجبور به ترک گله هستند و تبدیل به شیر مهاجر می شوند. همچنین اگر شیر مهاجری به گله ای حمله کند و یکی از شیرهای مقیم گله را شکست دهد، آنگاه شیر شکست خورده گله را ترک کرده و تبدیل به شیر مهاجر می شود و شیر فاتح به عنوان یکی از شیرهای نر عضو گله پذیرفته می شود. به طور کلی اپراتور دفاع در الگوریتم LOA به دو مرحله اساسی تقسیم می شود:
o دفاع در مقابل شیرهای نر تازه به بلوغ رسیده گروه o دفاع در مقابل شیرهای نر مهاجربا الهام از تغییر وضعیت زندگی توسط شیرها و مهاجرت آنها، وقتی شیری از گله به گله دیگر مهاجرت می کند یا شیوه زندگی خود را از مقیم به مهاجرت و بالعکس تغییر می دهد، این باعث افزایش تنوع الگوریتم می گردد. به عبارت دیگر اپراتور مهاجرت پلی برای تبادل اطلاعات میان تمام شیرهای موجود در الگوریتم LOA است. در هر گله شیرهای ماده بر اساس مقدار برازندگی شان مرتب می شوند سپس بدترین اعضای اضافی گله و% , از شیرهای ماده دیگر - به جز بهترین شیر ماده - به صورت تصادفی انتخاب می شوند و از گله مهاجرت داده می شوند و تبدیل به شیرهای مهاجر می شوند. شیرهای ماده مهاجر قبلی و شیرهای ماده جدید با یکدیگر جمع شده و جمعیت جدید شیرهای ماده مهاجر را تشکیل می دهند. بهترین شیرهای ماده مهاجر انتخاب شده و به صورت تصادفی بین گله ها تقسیم می شوند تا جای خالی شیرهایی که از گله مهاجرت کردند را پر کنند. این رویه تنوع جوابهای الگوریتم را تضمین می کند.
-3 روش پیشنهادی
در این مطالعه تاثیر کاهش ابعاد بر طبقه بندی تصاویر فراطیفی بررسی شده است. در روش پیشنهادی، ابتدا ابعاد تصویر فراطیفی به کمک الگوریتم شیران کاهش یافته، سپس برای طبقه بندی از الگوریتم ماشین بردار پشتیبان - SVM - استفاده شده است.شکل - 1 - فرآیند انتخاب ویژگی های بهینه ی تصاویر فراطیفی مبتنی بر الگوریتم شیران را نشان می دهد.به منظور انتخاب ویژگی های - باندهای - بهینه داده های تصویر برداری فراطیفی با استفاده از الگوریتم بهینه سازی شیران، به هر شیر یک زیر مجموعه از باندها اختصاص داده می شود. هر زیرمجموعه به صورت یک رشته باینری ارائه می گردد. طول رشته باینری برابر با تعداد کل باندها می باشد. اگر یک باند به عنوان باند بهینه انتخاب شود، در رشته باینری به بیت متناظر با آن باند مقدار 1 تعلق می گیردو در غیر
